【技术实现步骤摘要】
知识点学习路径构建方法、装置、设备以及存储介质
[0001]本专利技术涉及自然语言处理领域,特别涉及一种知识点学习路径构建方法
、
装置
、
设备以及存储介质
。
技术介绍
[0002]知识点学习路径构建方法考虑学科知识结构
、
学习目标
、
学习进度等因素,为学生推荐合适的学习资源和学习内容,有助于学生更高效地学习和掌握知识,提高学习效果
。
[0003]为了不断提升学习者知识水平,需要准确评估其当前认知情况,并在此基础上设计有针对性的学习路径,因此设计恰当的深度学习网络,从而有效利用学生以往的学习记录和习题中知识点的分布以实现知识追踪,并在此基础上结合强化学习框架完成最优学习路径的推荐,是自适应学习必须解决的关键问题之一
。
技术实现思路
[0004]基于此,本专利技术提供一种知识点学习路径构建方法
、
装置
、
设备以及存储介质,利用历史学习记录数据以及交互学习记录数据对学生知识点掌握情况进行静态认知诊断,获得表征学生与习题之间的关联信息的认知关联数据,根据认知关联数据进行知识追踪,获得表征学生知识点掌握情况的知识掌握数据,从而提高构建知识点学习路径构建的自适应性,提高知识点学习路径的准确性,更加符合学生的当前知识点掌握情况
。
[0005]第一方面,本申请实施例提供了一种知识点学习路径构建方法,包括以下步骤:获得学生的历史学习记录数据以及交互学习记录数
【技术保护点】
【技术特征摘要】
1.
一种知识点学习路径构建方法,其特征在于,包括以下步骤:获得学生的历史学习记录数据以及交互学习记录数据,其中,所述历史学习记录数据包括若干个习题,所述习题与若干个知识点相关联,所述交互学习记录数据包括各个所述习题的各个知识点的得分向量;将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,其中,所述知识点预测数据包括若干个所述习题关联的知识点分布数据;将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,其中,所述认知关联数据用于指示学生与习题之间的关联信息;将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,其中,所述知识掌握数据包括若干个所述习题关联的知识点掌握数据;根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,其中,所述知识导航图包括若干个知识节点,所述知识导航数据用于指示知识点之间的关联信息;将所述知识掌握数据以及知识导航数据输入至预设的知识点学习路径构建模型,构建各个所述习题的知识点学习路径
。2.
根据权利要求1所述的知识点学习路径构建方法,其特征在于:所述习题包括若干个单词;所述将所述历史学习记录数据输入至预设的知识点预测模型,获得知识点预测数据,包括步骤:对所述历史学习记录数据中各个习题进行词嵌入处理,获得各个所述习题的词嵌入序列,对各个所述习题的词嵌入序列进行编码处理,获得各个所述习题的编码序列;根据各个所述习题的编码序列以及预设的知识点分布计算算法,获得各个所述习题关联的知识点分布向量,作为所述知识点分布数据,构建所述知识点预测数据,其中,所述知识点分布计算算法为:式中,为第
i
个习题关联的知识点分布向量,为多层感知机函数,为第
i
个习题的编码序列
。3.
根据权利要求2所述的知识点学习路径构建方法,其特征在于,所述将所述知识点预测数据输入至预设的认知诊断模型,获得认知关联数据,包括步骤:获得学生标识向量以及历史记录数据中各个习题的习题标识向量,根据所述学生标识向量
、
习题标识向量以及预设的判别算法,获得习题掌握程度向量
、
习题知识难度向量以及习题辨识度向量,其中,所述判别算法为:式中,为习题掌握程度向量,为学生标识向量,为习题知识难度向量,
为第
i
个习题的习题标识向量,为习题辨识度向量,
A、B、C
分别为第一
、
第二
、
第三可训练权重矩阵,为激活函数;根据所述知识点预测数据
、
习题掌握程度向量
、
习题知识难度向量
、
习题辨识度向量以及预设的认知关联向量计算算法,获得若干个习题的认知关联向量,将若干个习题的认知关联向量进行组合,获得所述认知关联数据,其中,所述认知关联向量计算算法为:式中,为第
i
个习题的认知关联向量
。4.
根据权利要求3所述的知识点学习路径构建方法,其特征在于:所述知识追踪模型包括长短期记忆网络;所述将所述认知关联数据以及交互学习记录数据输入至预设的知识追踪模型,获得知识掌握数据,包括步骤:根据所述认知关联数据以及交互学习记录数据,将同一个习题的认知关联向量以及得分向量进行拼接,构建学习记录表示,其中,所述学习记录表示包括若干个习题的学习记录向量;根据所述学习记录表示以及预设的维度转换算法,获得低维学习记录表示,其中,所述低维学习记录表示包括若干个习题的低维学习记录向量,所述维度转换算法为:式中,为第
i
个习题的低维学习记录向量,为第四可训练权重矩阵,为第
i
个习题的学习记录向量;根据所述认知关联数据
、
低维学习记录表示以及预设的融合信息表示计算算法,获得融合信息表示,其中,所述融合信息表示包括若干个习题的融合信息向量,所述融合信息表示计算算法为:式中,为第
i
个习题的融合信息向量,为拼接符号;将所述融合信息表示输入至所述长短期记忆网络,根据预设的循环算法,获得知识掌握数据,其中,所述知识掌握数据包括若干个习题的知识点掌握向量,所述知识掌握向量包括若干个知识点的知识掌握子向量,所述循环算法为:式中,为第
i
个习题的输入门输出的向量,为第
i
个习题的遗忘门输出的向量,为
第
i
个习题的记忆单元输出的向量,为第
i
个习题的输出门输出的向量,为所述长短期记忆网络的第一
、
第二
、
第三
、
第四
、
第五
、
第六
、
第七
、
第八以及第九可训练权重矩阵,为所述长短期记忆网络的第一
、
第二
、
第三
、
第四以及第五偏置向量,为第
i
个习题的隐藏层状态向量,为第
i
个习题的知识掌握子向量
。5.
根据权利要求4所述的知识点学习路径构建方法,其特征在于:所述知识图谱包括若干个知识节点以及若干个知识节点之间进行连接的知识边,所述知识边用于指示连接的知识点之间的关系,根据所述知识导航图中的主知识节点以及次知识节点;所述根据所述知识掌握数据,构建知识导航图,根据所述知识导航图以及预设的知识图谱,构建知识导航数据,包括步骤:根据所述知识掌握数据中,若干个所述习题关联的知识点掌握数据以及预设的知识点掌握阈值,将若干个所述习题关联的知识点划分为主知识点以及次知识点,将所述主知识点设为主知识节点,所述次知识点设为次知识节点,构建知识导航图;分别获得所述主知识节点与对应的各个潜在知识节点连接的知识边的距离参数以及所述次知识节点与对应的各个潜在知识节点连接的知识边的距离参数,根据所述距离参数以及预设的距离阈值,从所述潜在知识节点中,提取所述主知识节点以及次知识节点对应的若干个关联知识节点;根据所述知识边,将所述关联知识节点划分为前驱关联知识节点以及后驱关联知识节点,获得所述知识导航图对应的知识导航数据,...
【专利技术属性】
技术研发人员:刘俊希,薛云,郑章楷,林逸浩,吴承彦,
申请(专利权)人:华南师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。